3. 边云协同体系架构

边云协同工业应用部署的核心，不是简单地把服务器搬到车间，而是围绕“端、边、云”三层能力重新划分计算任务、数据流与控制流。端侧负责感知与执行，边侧负责实时闭环与本地自治，云侧负责全局优化、模型训练与跨厂协同。三层之间通过明确的接口与协同参考模型连接，才能既保证毫秒级控制，又获得云端的大规模算力与知识沉淀。

3.1 端、边、云三层架构

端层由PLC、传感器、执行器、工业相机、机器人控制器、边缘网关等组成，直接与物理过程交互。其典型约束是算力弱、实时性要求高、协议多样（Modbus、OPC UA、Profinet、EtherCAT）。边层部署在车间或厂区机房，通常由边缘服务器、工控机、边缘一体机或容器化平台构成，承担数据采集、协议转换、实时推理、本地闭环和断网续传。云层提供弹性算力、数据湖、模型训练平台、数字孪生和全局调度，适合非实时、大吞吐、跨域分析类任务。

三层并非简单串联，而是存在“端—边”“边—云”“端—云（经边代理）”三类协同路径。端到边强调低时延与确定性，边到云强调带宽优化与模型迭代，端到云则更多用于远程运维与全局标识解析。

3.2 边云协同参考模型

参考模型可概括为“四横两纵”：四横是端侧设备层、边缘计算层、云平台层、应用服务层；两纵是安全体系与运维管理体系。端侧设备层完成物理量到数字量的转换；边缘计算层提供容器运行时、消息总线、时序数据库和推理框架；云平台层提供IaaS/PaaS能力、模型仓库和DevOps流水线；应用服务层面向质量检测、预测性维护、能耗优化等业务场景。

协同的关键接口包括：模型下发接口（云→边）、数据上报接口（边→云）、配置同步接口（云→边）、告警回传接口（边→云）。这些接口应遵循统一的数据格式与语义规范，例如采用MQTT/HTTPS传输、JSON/Protobuf编码、OPC UA信息模型建模。

3.3 计算任务划分

任务划分决定系统性能与成本。常用判据包括：时延要求、数据量、算力需求、网络依赖、安全等级、更新频率。下表给出典型任务的划分建议。

3.4 数据流与控制流

数据流方向以“端→边→云”为主：端侧采集原始信号，边侧完成滤波、对齐、特征提取和压缩，云侧进行汇聚、训练和长期存储。控制流方向以“云→边→端”为主：云侧下发模型、策略和配置，边侧解析并转换为设备指令，端侧执行并反馈状态。

需要特别注意的是，控制流并非总是自上而下。在边缘自治模式下，边侧可在断网时独立完成闭环，待网络恢复后再与云侧同步状态。这种“双向异步”是边云协同与纯云计算的最大区别。

# 典型边云协同数据流（MQTT主题设计）
factory/line1/device/plc01/telemetry   → 边侧订阅，预处理后转发
factory/line1/edge/inference/result    → 边侧发布，云侧订阅
factory/line1/cloud/model/deploy       → 云侧发布，边侧订阅
factory/line1/edge/alert               → 边侧发布，云侧订阅并触发工单

3.5 主流架构模式对比

工业现场常见的边云协同架构模式包括：云中心模式、边缘自治模式、分层协同模式和联邦协同模式。云中心模式实现简单，但时延和带宽压力大；边缘自治模式实时性好，但全局优化能力弱；分层协同模式兼顾两者，是当前主流；联邦协同模式适合多厂区、多租户场景，但复杂度最高。

• 云中心模式：端侧只做采集，所有计算在云。适合非实时、小数据量场景。
• 边缘自治模式：边侧独立完成闭环，云侧仅做监控。适合网络不稳定或安全隔离要求高的场景。
• 分层协同模式：边侧实时推理与控制，云侧训练与全局优化。适合大多数智能制造场景。
• 联邦协同模式：多边缘节点联合训练，数据不出厂。适合多厂区、隐私敏感场景。

3.6 案例与常见误区

某汽车零部件工厂在焊装线部署边云协同系统：端侧PLC采集焊接电流、电压和节拍；边侧工控机运行缺陷检测模型，实现50ms内报警；云侧汇聚多条产线数据，训练新的焊接质量预测模型，每周下发一次更新。该方案使漏检率下降32%，同时避免了将全部视频流上传云端带来的带宽成本。

常见误区包括：一是把边缘节点当作“小云”，忽视其资源受限和运维困难；二是数据流与控制流方向混淆，导致指令延迟；三是模型更新缺乏版本管理，边侧运行旧模型而不自知；四是安全体系只覆盖云侧，边侧和端侧成为攻击入口。复盘时应重点检查任务划分是否匹配时延要求、断网策略是否经过演练、模型版本是否可追溯。

综上，端、边、云三层架构与协同参考模型为工业应用部署提供了清晰的职责边界。计算任务划分应围绕时延、带宽、算力和安全四个维度展开，数据流与控制流需分别设计并保证异步容错。选择架构模式时，应以业务实时性要求和数据合规要求为第一约束，避免盲目追求单一模式。